Skip to main content

Makine Öğrenimi Mimarlığın Geleceğinde İş-Yaşam Dengesini İyileştirebilir mi?

future of architecture

Birçok mimar için, geceleri ve hafta sonları çalışmak mesleklerinin bir parçası; özellikle proje teslim tarihleri yaklaştığı zamanlar. 2018 Mimarlıkta Eşitlik Raporuna göre, araştırmaya katılan mimarların yüzde 70’i, işverenlerinden uzaktan çalışma ve esnek çalışma saatleri gibi iş-yaşam dengesi hakları talep edecek kadar kendilerini güçlü hissetmediklerini söylüyor.

Ancak, mimarlığın geleceğinde otomasyon ve makine öğrenimi, bu sıkıntının azaltılmasında, angarya işlerin makineler tarafından üstlenilmesinde ve mimarların yaratıcı tasarıma (ve yapmak istedikleri diğer şeylere) daha fazla zaman ayırabilmesi anlamında umut veriyor.

Geçtiğimiz birkaç yıl boyunca, Autodesk Araştırma bölümündeki çalışma arkadaşlarımla birlikte, kurgusal mimari tasarım projeleri için makine öğrenimi testleri yaptık ve yapmaya devam ediyoruz. Makine destekli tasarımın mimarların becerilerini artırmaya, verimliliği geliştirmeye ve angarya işleri otomasyona taşımaya yönelik potansiyeline dair üç farklı yöntem olduğunu görüyoruz.

Birincisi, tasarımcının sınırlandırmaları veya parametreleri girdiği, algoritmanın da tasarım seçeneklerini oluşturduğu “tasarım otomasyonu” ya da üretimsel tasarım yöntemi var. Autodesk Araştırma ekibi bu yöntemi, Kanada’nın Toronto şehrinde bulunan MaRS Yenilik Bölgesi’ndeki Autodesk ofisi kapsamında değerlendirdi.

İkincisi, mimarın tasarımı tam olarak kontrol ettiği ancak makinenin öğreniminin yerel imar kanunu koşulları gibi konularda öngörü ve öneriler sunduğu “tasarım öngörüsü”dür. Bu, mimarlara tasarımlarında daha fazla özgürlük tanırken, planlamadan inşaat öncesi sürece kadar, müdahaleci olmadan, iş akışlarını hızlandırmak için yararlı kılavuzluk sağlıyor.

Üçüncüsü, makine öğrenimi yazılımının tasarımı mimarla ortak yarattığı ve işin daha angarya kısımlarını otomasyonla yürüttüğü “tasarım etkileşimi”dir. Bu yöntemi Autodesk’in ortaklarından ikisi olan NVIDIA ve Gensler ile birlikte kısa zaman önce araştırdık. Ortak hedeflerimizin örtüşmesiyle bir araştırma projesi doğdu. Proje, makine öğreniminin bina tasarımı ve inşaatı üzerindeki etkisinin muazzam olacağını öngörüyor.

Yapı Bilgi Modellemesinden Çekişmeli Üretici Ağa

NVIDIA’nın ofis binası projelerinden (Gensler’in tasarladığı) birini deney amaçlı kullanarak, makine öğreniminin, mimarların iş akışlarına uygulanabilirliğini test ettik. Buradaki amacımız, insanların ve makinelerin birlikte çalıştığı bir senaryoyu ortaya koymaktı.

Deneyi nispeten basit tutmak için, test ortamı olarak tüm bina yerine yalnızca üçüncü katın bir parçasını seçtik. Kavramı kanıtlama konusunda ikna edici seviyede bilgi ortaya koyabileceğine inandığım için üç bileşen türüne odaklandık: küçük bölmeler, toplantı salonları ve telefon kabinleri.

NVIDIA ve Gensler’in yardımıyla bu üç bileşenin mevcut projelerinde kullanılan tüm çeşitlemelerini toplayarak, her bir türün olası tüm mekansal kombinasyonlarını içeren bir veri kümesi oluşturduk.

Bir makine öğrenimi modeli, büyük bir veri kümesi içindeki şablonları bularak “öğrenir”. Bu deneydeki şablonlar, bir ofis binasının iç yerleşim planı örnekleriydi. Makine öğrenmesinin temel prensiplerinden biri, modelin hem iyi verilerle hem de kötü verilerle eğitilmesi gereksinimidir. Yani, modele hem istediğiniz sonuçları (kullanışlı, hoş, verimli çalışma ortamları) hem de istemediğiniz sonuçları anlatan verileri beslemeniz gerekir. Modele yalnızca iyi verileri vermiş olsaydık, yanlış bir şey yaptığında bunu fark etmeyecekti; örneğin duvarlarla kaplı küçük bölmeler oluşturacak veya bunların arasına yeterli yürüme alanları yerleştirmeyecekti.

Bu proje için, çekişmeli üretici ağ (GAN) adında özel bir model türü seçtik. Makine öğrenimi sistemi, tıpkı bir insan tasarımcı gibi, zaten öğrenmiş olduğu şeylerle ilgili varsayımlarını sürekli sorgulayarak, bir bilgi alanına dair kavrayışını hızlandırıp erinleştirebilir.

Bir çekişmeli üretici ağda, birbirine meydan okuyan iki model vardır. Her ikisi de iyi bir ofis planının neye benzediğini “bilmek” üzere NVIDIA’nın grafik işlemci üniteleri kullanılarak eğitilir. Makinenin öğrendiği şeyler arasında, mobilya kombinasyonları, havalandırma sistemi ve sıhhi tesisat gibi altyapı bileşenleri, ışıklandırma ve iyi bir ofis tasarımını temsil eden mekanlar vardır. Modellerden biri sürekli bu özelliklerin birleşimlerini üretir ve ürettiklerinin “iyi” tasarım mı yoksa “kötü” tasarım mı olduğunu doğru bir şekilde nitelendirmesi için diğer modeli sorgular.

Eğer Test Uyum Sağlayabilirse…

Autodesk, Yapı Bilgi Modellemesinden, Çekişmeci Üretici Ağa uzanan süreci hayata geçirmek için, Gensler tasarımcılarının aşina olduğu bir iş akışını izleyen ve “test uyumu” adı verilen bir çizim arayüzü oluşturdu: Mimar, ticari ofis binasının bir bölümünü seçer ve seçilen mekanda telefon kabinlerinin, toplantı salonlarının ve küçük bölmelerin hedeflenen sayısına ve ideal yerleştirme planına en iyi şekilde uymaya çalışır.

Ekip, proje hedeflerini 20 toplantı salonu, 20 telefon kabini ve 200 çalışma alanı olarak girdi. Bu gereklilikleri dört bölge türüne göre yapılandırdılar: üç proje hedefi artı “girilmez bölgeler”, yani bu bileşenleri içermeyen veya binanın işlemesi için girilmemesi gereken mutfak veya orta avlu gibi bölgeler.

Tasarımcılar bir kalem ve tablet kullanarak, dikkate alınması gereken alanın taslağını çizdiler. Ardından, mekana neyin yerleştirilebileceğini tanımlayan hedef verileri girdiler. Bu alanın geometrisi böylece BIM’E dönüştürülebilip, taslağın görüntüsü aslına tam uygun üç boyutlu geometri olarak sağlanabiliyordu.

VGAN projesi, düzenlenen alanın etrafına bir sınır çizerek, kullanıcıların test uyumu planlarını hızlı bir şekilde uygulamasına izin veriyor. Kaynak: Chin-Yi Cheng.
 
Bölge türleri tanımlandıktan sonra, görüntüye yakınlaştırma yaparak mobilya yerleştirme olanaklarına erişim sağlanabiliyor. Kaynak: Chin-Yi Cheng.
 
Oda planının ayrıntılarını içeren tanımlanmış bölgeler. Kaynak: Chin-Yi Cheng.

Mimarlar için önemli bir zorluk, bir ofis yerleştirme planındaki değişiklikleri işlemektir; örneğin, 350 küçük bölme yerine, 400 tane yerleştirmek gerektiğinde. Bu değişiklikler, tasarımcının Autodesk Revit’te genellikle en baştan başlamasını gerektirir. Bu durum, bir mekanın çeşitlemelerini oluşturmayı ve karşılaştırmayı içeren zahmetli bir sürece dönüşebilir. Makine öğrenimi teknolojisi olmadan, mimarlar genellikle müşterinin talep ettiği her şeyi projeye tıkıştırmaya çalışırlar; ve sonunda, proje hedeflerinde belirtilen kesin sayılara yine de ulaşamayabilirler.

Ancak, GAN alternatif planların keşfedilmesini sağladığında, tasarımcıları bir sürü angaryadan kurtarır ve işlerinin yaratıcı unsurlarına odaklanmaları için onları özgür kılar. Taslak oluşturmak 90 saniye sürebilir; ancak bu 90 saniyelik işlem, makine öğrenimi desteği olmadan Revit üzerinde çalışan Gensler tasarımcılarının, iki ya da üç hafta boyunca mekik dokuyacakları işlerle uğraşması anlamına gelebilir.

Bu model ayrıca kullanıcıların, NVIDIA grafik işlemci ünitelerini kullanarak, tasarımı doğrudan sanal gerçeklik arayüzüne dönüştürmelerini sağlıyor. Taslağı oluşturduktan iki dakika sonra, bir sanal gerçeklik gözlüğü takıp, yarattığınız mekanın gerçekte nasıl hissettirdiğini tecrübe etmek için, ofis ortamında bir yürüyüşe çıkabilirsiniz. Beğenmezseniz, yalnızca beş dakikada alternatif bir yaklaşım oluşturabilirsiniz.

future of architecture models vr interface
Oda tasarımları, sanal gerçeklik arayüzü içerisinde görüntülenebilir ve değiştirilebilir. Kaynak: Chin-Yi Cheng.

İş Akışının Geleceği

Gün gelecek, makine öğrenimi mimarların gündelik işlerinden bazılarını otomatikleştirecek; ancak tasarımcılar için asıl hedef, tasarımın yaratıcı yönlerini kontrol altında tutmak olmalıdır. Bir mimar, çalışmak ve etkileşim kurmak için zevkli bir ortam tasarlarken, tamamıyla insana özgü eşsiz becerilerini kullanır.

Çekişmeli Üretici Ağlara tasarımın soyut kısımlarını öğretmek zor olacaktır. Bu soyut kısımlar şunları içeriyor: estetik uyum, malzeme estetiği ve ekipler arasındaki işbirliğini çevrenin ne kadar desteklediği. Ancak makine öğreniminin, farklı faaliyet türleri için alan ayıran ve bina altyapı ihtiyaçlarını belirleyen ideal bir yerleştirme planını oluşturmakta önemli bir rolü vardır. Teknoloji, mimarların en kullanışlı ve inşa edilebilir tasarımı seçmelerine yardımcı olabilecek rehberliği sağlayabilir.

Makine öğrenimi destekli tasarımın, mimarların kullanımına yaygın olarak açılması birkaç yıl alabilir. Ayrıca, yaptığımız deneyin üretkenlik üzerindeki etkisini ölçmek zordu; çünkü bu, bir aracın en iyi şekilde kullanılan, ticari bir sürümü değildi. Ancak, deneyimiz makine öğrenimini, mimarlar, mühendisler ve inşaatçılar için, verimliliği artıracak ve tekdüze işleri azaltacak bir iş akışına uygulayabileceğimizi gösterdi. Bu bir gün, mimarların arada bir fazladan tatil yapmasına olanak tanıyabilir.

Ek içerik Autodesk Yapay Zeka Laboratuvarı baş araştırmacı bilim insanı Chin-Yi Cheng tarafından sağlanmıştır.

Yazar Hakkında

Autodesk Araştırma, Medya ve Eğlence Sektörü Geleceği Kıdemli Yöneticisi Mark Davis ve ekibi yeni teknolojileri, yeni nesil yazılım çözümlerini ve sürükleyici deneyimleri keşfedip onaylıyor. Bu ekip son beş yılda, Üretimsel Tasarımı geliştirmek üzere yapay zekâ, simülasyon ve ileri üretim alanlarında Autodesk Fusion 360'la entegre bir araştırma yürüttü. Bu araştırma, Mercedes-Benz, Philippe Starck ve NASA'nın Jet İtişi Laboratuvarındaki projelerde kullanıldı.

Profile Photo of Mark Davis, Autodesk Sr. Director - TR